CN116307743A - 基于数据处理的押运安全预警方法、系统、设备和介质 - Google Patents
基于数据处理的押运安全预警方法、系统、设备和介质 Download PDFInfo
- Publication number
- CN116307743A CN116307743A CN202310580357.0A CN202310580357A CN116307743A CN 116307743 A CN116307743 A CN 116307743A CN 202310580357 A CN202310580357 A CN 202310580357A CN 116307743 A CN116307743 A CN 116307743A
- Authority
- CN
- China
- Prior art keywords
- escort
- pedestrians
- vehicle
- vehicles
- point cloud
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012545 processing Methods 0.000 title claims abstract description 35
- 238000003062 neural network model Methods 0.000 claims description 57
- 238000012544 monitoring process Methods 0.000 claims description 52
- 230000007123 defense Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 239000003086 colorant Substances 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 10
- 238000013528 artificial neural network Methods 0.000 description 19
- 238000013527 convolutional neural network Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 230000007774 longterm Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Emergency Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供的一种基于数据处理的押运安全预警方法、系统、设备和介质,涉及数据处理领域,该方法包括基于押运车外部环境的监控视频使用长短期神经网络模型确定监控视频中的多个行人信息和多个车辆信息,基于点云匹配模型确定多个行人对应的三维点云数据和多个车辆对应的三维点云数据,基于图神经网络模型确定多个行人的风险度和多个车辆的风险度,最后将多个行人的风险度中超过第一预警阈值的风险度所对应的行人的位置坐标发送给押运人员,将多个车辆的风险度中超过第二预警阈值的风险度所对应的车辆的位置坐标发送给押运人员,并提醒押运人员进行重点防备。该方法能够准确识别出押运过程中的风险,提高了押运人员的运输体验。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于数据处理的押运安全预警方法、系统、设备和介质。
背景技术
随着现代经济的快速发展,押运行业在保障资金流通和安全交易的重要环节上扮演着至关重要的角色。然而,押运过程中存在各种风险,如盗抢、车祸、自然灾害等,这些风险不仅会给财产带来直接损失,也会威胁人身安全。因此,在押运运输过程中的安全预警非常重要。传统的押运运输过程中的安全预警方法主要是押运人员基于经验来判断当前押运过程中的风险,存在较大的主观性,且由于押运人员的观察能力有限,有些押运过程中的风险不能被识别处理,而且押运人员需要时刻注意周围环境,这对押运人员的体力、心理都提出了很大的考验。因此,如何准确识别出押运过程中的风险,提高押运人员的运输体验是当前亟待解决的问题。
发明内容
本发明主要解决的技术问题是如何准确识别出押运过程中的风险和如何提高押运人员的押运体验。
根据第一方面,本发明提供一种基于数据处理的押运安全预警方法,包括:获取押运车外部环境的监控视频;基于所述押运车外部环境的监控视频使用长短期神经网络模型确定所述监控视频中的多个行人信息和多个车辆信息,所述多个行人信息包括所述多个行人的生理信息、所述多个行人的出现频率、所述多个行人的移动速度、所述多个行人的穿着信息、所述多个行人的位置坐标、所述多个行人与押运车的距离范围,所述多个车辆信息包括所述多个车辆的颜色、所述多个车辆的位置坐标、所述多个车辆的型号、所述多个车辆的大小、所述多个车辆的移动速度、所述多个车辆的出现频率;获取押运车外部环境的三维点云数据;基于点云匹配模型确定所述多个行人对应的三维点云数据和所述多个车辆对应的三维点云数据,所述点云匹配模型的输入为所述押运车外部环境的三维点云数据、所述监控视频中的多个行人信息和多个车辆信息,所述点云匹配模型的输出为所述多个行人对应的三维点云数据和所述多个车辆对应的三维点云数据;基于图神经网络模型确定所述多个行人的风险度和所述多个车辆的风险度,所述图神经网络模型的输入包括多个节点和多条边,所述多个节点包括多个行人节点和多个车辆节点,所述多条边为多个节点之间的位置关系,所述多个节点中的每个节点包括多个节点特征,所述行人节点的节点特征包括所述多个行人对应的三维点云数据、所述多个行人信息,所述车辆节点的节点特征包括所述多个车辆对应的三维点云数据、所述多个车辆信息,所述图神经网络模型的输出为所述多个行人的风险度和所述多个车辆的风险度;将所述多个行人的风险度中超过第一预警阈值的风险度所对应的行人的位置坐标发送给押运人员,将所述多个车辆的风险度中超过第二预警阈值的风险度所对应的车辆的位置坐标发送给押运人员,并提醒押运人员进行重点防备。
更进一步地,所述押运车外部环境的三维点云数据基于押运车的激光雷达扫描得到。
更进一步地,所述方法还包括:对所述多个行人的风险度和所述多个车辆的风险度分别赋予不同的权重,再进行加权求和后得到加权求和后的数值,判断所述加权求和后的数值是否超过位置风险阈值,若所述加权求和后的数值超过位置风险阈值,则提醒押运人员变更当前押运车的停车位置。
更进一步地,所述方法还包括:若所述多个行人的风险度中均不超过第一预警阈值,所述多个车辆的风险度中也均不超过第二预警阈值,则提醒押运人员当前环境安全。
更进一步地,所述押运车外部环境的监控视频基于押运车车载摄像装置拍摄得到。
根据第二方面,本发明提供一种基于数据处理的押运安全预警系统,包括:第一获取模块,用于获取押运车外部环境的监控视频;视频处理模块,用于基于所述押运车外部环境的监控视频使用长短期神经网络模型确定所述监控视频中的多个行人信息和多个车辆信息,所述多个行人信息包括所述多个行人的生理信息、所述多个行人的出现频率、所述多个行人的移动速度、所述多个行人的穿着信息、所述多个行人的位置坐标、所述多个行人与押运车的距离范围,所述多个车辆信息包括所述多个车辆的颜色、所述多个车辆的位置坐标、所述多个车辆的型号、所述多个车辆的大小、所述多个车辆的移动速度、所述多个车辆的出现频率;第二获取模块,用于获取押运车外部环境的三维点云数据;点云确定模块,用于基于点云匹配模型确定所述多个行人对应的三维点云数据和所述多个车辆对应的三维点云数据,所述点云匹配模型的输入为所述押运车外部环境的三维点云数据、所述监控视频中的多个行人信息和多个车辆信息,所述点云匹配模型的输出为所述多个行人对应的三维点云数据和所述多个车辆对应的三维点云数据;风险度确定模块,用于基于图神经网络模型确定所述多个行人的风险度和所述多个车辆的风险度,所述图神经网络模型的输入包括多个节点和多条边,所述多个节点包括多个行人节点和多个车辆节点,所述多条边为多个节点之间的位置关系,所述多个节点中的每个节点包括多个节点特征,所述行人节点的节点特征包括所述多个行人对应的三维点云数据、所述多个行人信息,所述车辆节点的节点特征包括所述多个车辆对应的三维点云数据、所述多个车辆信息,所述图神经网络模型的输出为所述多个行人的风险度和所述多个车辆的风险度;提醒模块,用于将所述多个行人的风险度中超过第一预警阈值的风险度所对应的行人的位置坐标发送给押运人员,将所述多个车辆的风险度中超过第二预警阈值的风险度所对应的车辆的位置坐标发送给押运人员,并提醒押运人员进行重点防备。
更进一步地,所述押运车外部环境的三维点云数据基于押运车的激光雷达扫描得到。
更进一步地,所述系统还包括位置判断模块,所述位置判断模块用于:对所述多个行人的风险度和所述多个车辆的风险度分别赋予不同的权重,再进行加权求和后得到加权求和后的数值,判断所述加权求和后的数值是否超过位置风险阈值,若所述加权求和后的数值超过位置风险阈值,则提醒押运人员变更当前押运车的停车位置。
根据第三方面,本发明提供一种电子设备,包括:存储器;处理器;以及计算机程序;其中,所述计算机程序存储在所述存储器中,并配置为由所述处理器执行以实现上述的方法。
根据第四方面,本发明提供一种计算机可读存储介质,所述介质上存储有程序,所述程序能够被处理器执行以实现如上述方面中任一项所述的方法。
本发明提供的一种基于数据处理的押运安全预警方法、系统、设备和介质,该方法包括基于所述押运车外部环境的监控视频使用长短期神经网络模型确定所述监控视频中的多个行人信息和多个车辆信息,基于点云匹配模型确定所述多个行人对应的三维点云数据和所述多个车辆对应的三维点云数据,基于图神经网络模型确定所述多个行人的风险度和所述多个车辆的风险度,最后将所述多个行人的风险度中超过第一预警阈值的风险度所对应的行人的位置坐标发送给押运人员,将所述多个车辆的风险度中超过第二预警阈值的风险度所对应的车辆的位置坐标发送给押运人员,并提醒押运人员进行重点防备。该方法能够准确识别出押运过程中的风险,提高了押运人员的运输体验。
附图说明
图1为本发明实施例提供的一种基于数据处理的押运安全预警方法的流程示意图;
图2为本发明实施例提供的多个节点和多条边的示意图;
图3为本发明实施例提供的一种基于数据处理的押运安全预警系统的示意图;
图4为本发明实施例提供的一种电子设备的示意图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。
本发明实施例中,提供了如图1所示的一种基于数据处理的押运安全预警方法,所述基于数据处理的押运安全预警方法包括步骤S1~S6:
步骤S1,获取押运车外部环境的监控视频。
所述押运车外部环境的监控视频基于押运车车载摄像装置拍摄得到。所述押运车外部环境的监控视频包括了押运车外部环境的情况。所述押运车外部环境的监控视频中包括了多个行人和多个车辆。
步骤S2,基于所述押运车外部环境的监控视频使用长短期神经网络模型确定所述监控视频中的多个行人信息和多个车辆信息,所述多个行人信息包括所述多个行人的生理信息、所述多个行人的出现频率、所述多个行人的移动速度、所述多个行人的穿着信息、所述多个行人的位置坐标、所述多个行人与押运车的距离范围,所述多个车辆信息包括所述多个车辆的颜色、所述多个车辆的位置坐标、所述多个车辆的型号、所述多个车辆的大小、所述多个车辆的移动速度、所述多个车辆的出现频率。
长短期神经网络模型为人工智能的一种实现方式。长短期神经网络模型包括长短期神经网络(LSTM,Long Short-Term Memory),长短期神经网络是RNN(Recurrent NeuralNetwork,循环神经网络)中的一种。长短期神经网络模型能够处理任意长度的序列数据,捕捉序列的信息,输出基于序列中前后数据关联关系的结果。通过长短期神经网络模型处理连续时间段的所述押运车外部环境的监控视频,能够输出得到综合考虑了各个时间点的所述押运车外部环境的监控视频之间关联关系的特征,使得该输出的特征更加的准确和全面。
长短期神经网络模型的输入包括所述押运车外部环境的监控视频,所述长短期神经网络模型的输出为所述监控视频中的多个行人信息和多个车辆信息。
所述多个行人信息包括所述多个行人的生理信息、所述多个行人的出现频率、所述多个行人的移动速度、所述多个行人的穿着信息、所述多个行人的位置坐标、所述多个行人与押运车的距离范围。
行人的生理信息包括行人的身高、体重、性别、年龄等。
行人的出现频率表示行人在监控视频中出现过多少次,可以理解的是如果在监控视频中出现频率越高,则该行人越可疑,则需要重点进行关注。
行人的移动速度表示在监控视频中行人的移动速度,可以理解的是如果行人在监控视频中的行走速度越快,则说明该行人可能越不想出现在监控视频中,则该行人需要被重点关注。行人的移动速度可以为行人在监控视频中的平均移动速度。
行人的穿着信息包括衣服的颜色、款式、厚度、是否戴墨镜、是否戴帽子等。可以理解的是,若该行人的穿着遮掩越严实,则该行人越可疑。
行人的位置坐标可以是以押运车为坐标原点而进行标注出来的位置坐标。一个行人的位置坐标可以为多个,行人的多个位置坐标可以对应行人的多个时间点,行人的多个位置坐标可以表示该行人在监控视频中的移动轨迹。
行人与押运车的距离范围表示行人与押运车的距离的范围区间,可以理解的是,若行人与押运车的距离范围越近,则该行人可能存在提前踩点等嫌疑,需要进行重点关注。
所述多个车辆信息包括所述多个车辆的颜色、所述多个车辆的位置坐标、所述多个车辆的型号、所述多个车辆的大小、所述多个车辆的移动速度、所述多个车辆的出现频率。
车辆的位置坐标可以是以押运车为坐标原点而进行标注出来的位置坐标。一个车辆的位置坐标可以为多个,车辆的多个位置坐标可以对应车辆的多个时间点,车辆的多个位置坐标可以表示该车辆在监控视频中的移动轨迹。
车辆的型号表示汽车生产厂家为识别和区分不同车型而给车辆赋予的一种名称或编号。每个汽车型号通常有一个独特的名称或编号,用于区分不同的车型,以便消费者和相关人员可以更方便地进行区分和管理。例如,奥迪A6、宝马X5、丰田卡罗拉等。
车辆的大小可以通过长度、宽度、高度来进行表示,例如车辆的大小为长度3800mm、宽度1600mm、高度1400mm。
车辆的移动速度可以表示在监控视频中车辆的平均速度。
车辆的出现频率表示车辆在监控视频中出现过多少次。
长短期神经网络模型可以通过历史数据中训练样本来训练得到。所述训练样本包括样本输入数据和所述样本输入数据对应的标签,所述样本输入数据为样本押运车外部环境的监控视频,所述标签为多个样本行人信息和多个样本车辆信息。所述训练样本的输出标签可以通过人为标注得到。例如,用户可以对样本押运车外部环境的监控视频进行观看,并标注出多个样本行人信息和多个样本车辆信息,最后将标注出的多个样本行人信息和多个样本车辆信息作为标签。在一些实施例中,可以通过梯度下降法对初始的长短期神经网络模型进行训练得到训练后的长短期神经网络模型。具体的,根据训练样本,构建长短期神经网络模型的损失函数,通过长短期神经网络模型的损失函数调整长短期神经网络模型的参数,直到损失函数值收敛或者小于预设阈值,则训练完成。损失函数可以包括但不限于对数(log)损失函数、平方损失函数、指数损失函数、Hinge损失函数以及绝对值损失函数等。
训练完成后,输入所述押运车外部环境的监控视频到训练完成后的长短期神经网络模型,输出得到多个行人信息和多个车辆信息。
步骤S3,获取押运车外部环境的三维点云数据。
所述押运车外部环境的三维点云数据基于押运车的激光雷达扫描得到。
三维点云数据可以包括点云三维空间坐标(X、Y、Z)、激光反射强度值、色彩值(R、G、B)、透明程度、点云的法向量等。
步骤S4,基于点云匹配模型确定所述多个行人对应的三维点云数据和所述多个车辆对应的三维点云数据,所述点云匹配模型的输入为所述押运车外部环境的三维点云数据、所述监控视频中的多个行人信息和多个车辆信息,所述点云匹配模型的输出为所述多个行人对应的三维点云数据和所述多个车辆对应的三维点云数据。
点云匹配模型为深度神经网络模型,深度神经网络模型包括深度神经网络(DeepNeural Networks,DNN)。深度神经网络模型为人工智能的一种实现方式。深度神经网络可以包括多个处理层,每个处理层由多个神经元组成,每个神经元对数据做矩阵变换。矩阵所使用的参数可以通过训练获得。深度神经网络可以包括循环神经网络(Recurrent NeuralNetwork,RNN)、卷积神经网络(Convolutional Neural Networks,CNN)、生成对抗网络(Generative Adversarial Networks,GAN)等等。所述点云匹配模型的输入为所述押运车外部环境的三维点云数据、所述监控视频中的多个行人信息和多个车辆信息,所述点云匹配模型的输出为所述多个行人对应的三维点云数据和所述多个车辆对应的三维点云数据。
点云匹配模型可以将多个行人对应的三维点云数据和多个车辆对应的三维点云数据匹配出来,三维点云数据可以更好的展示出多个行人和多个车辆在三维环境中的更多细节,三维点云数据包括了多个行人和多个车辆的深度信息。由于押运车外部环境的监控视频的整个文件较大,若作为后续图神经网络模型的输入,则处理起来速度较慢。且三维点云数据比押运车外部环境的监控视频会多一维深度信息,且物体与背景天然解耦。基于点云提供的更多维的丰富数据,可更加敏锐地显示人、物、场景真实细微的变化,适合作为后续图神经网络模型的输入以实现对复杂场景的感知和理解。
步骤S5,基于图神经网络模型确定所述多个行人的风险度和所述多个车辆的风险度,所述图神经网络模型的输入包括多个节点和多条边,所述多个节点包括多个行人节点和多个车辆节点,所述多条边为多个节点之间的位置关系,所述多个节点中的每个节点包括多个节点特征,所述行人节点的节点特征包括所述多个行人对应的三维点云数据、所述多个行人信息,所述车辆节点的节点特征包括所述多个车辆对应的三维点云数据、所述多个车辆信息,所述图神经网络模型的输出为所述多个行人的风险度和所述多个车辆的风险度。
所述图神经网络模型的输入包括多个节点和多条边,所述多个节点包括多个行人节点和多个车辆节点,所述多条边为多个节点之间的位置关系,所述多个节点中的每个节点包括多个节点特征,所述行人节点的节点特征包括所述多个行人对应的三维点云数据、所述多个行人信息,所述车辆节点的节点特征包括所述多个车辆对应的三维点云数据、所述多个车辆信息,所述图神经网络模型的输出为所述多个行人的风险度和所述多个车辆的风险度。
所述多个行人信息包括所述多个行人的生理信息、所述多个行人的出现频率、所述多个行人的移动速度、所述多个行人的穿着信息、所述多个行人的位置坐标、所述多个行人与押运车的距离范围。所述多个车辆信息包括所述多个车辆的颜色、所述多个车辆的位置坐标、所述多个车辆的型号、所述多个车辆的大小、所述多个车辆的移动速度、所述多个车辆的出现频率。关于所述多个行人信息和所述多个车辆信息的解释可以参见步骤S2,此处不再赘述。
所述行人的风险度表示该行人对于押运车的危险程度,行人的风险度越高,则说明该行人越有可能对押运车造成威胁。行人的风险度可以为0-1之间的数值。
所述车辆的风险度表示该车辆对于押运车的危险程度。车辆的风险度越高,则说明该车辆越有可能对押运车造成威胁。车辆的风险度可以为0-1之间的数值。
图2为本发明实施例提供的多个节点和多条边的示意图。如图2所示,其中包括多个节点A、B、C、D、E和由多个节点组成的边,其中A、B、C节点分别表示行人节点,D、E分别表示车辆节点。a1,a2…和c1,c2分别代表行人节点的特征,例如分别代表行人对应的三维点云数据、行人信息。d1,d2和e1,e2分别代表车辆节点的特征,例如分别代表车辆对应的三维点云数据、车辆信息。A、B、C、D、E之间的连线表示多条边,多条边为多个节点之间的位置关系,在一些实施例中,边的特征可以包括节点之间的距离、方向。
图神经网络模型包括图神经网络(Graph Neural Network,GNN)和全连接层。图神经网络是一种直接作用于图上的神经网络,所述图是由节点和边两部分组成的一种数据结构。图神经网络为人工智能的一种实现方式。图神经网络模型基于信息传播机制,每一个节点通过相互交换信息来更新自己的节点状态,直到达到某一个稳定值。
在一些实施例中,图神经网络可以包括图卷积网络(Graph ConvolutionNetworks,GCN)、图注意力网络(Graph Attention Networks)、图自编码器( GraphAutoencoders)、图生成网络( Graph Generative Networks)和图时空网络(GraphSpatial-temporal Networks)。
在一些实施例中,图神经网络模型可以包括多层图神经网络。多层图神经网络训练或实际应用过程中,每一层每个节点从与之连接(例如,相邻)的节点接收信息,并进行节点之间的信息融合,经过多层图神经网络之后,每一层中的节点可以与更远的节点(例如,与之不连接或相邻的节点)进行信息融合,提高了准确性。
在一些实施例中,可以通过梯度下降法对图神经网络模型进行训练得到训练后的图神经网络模型。
在一些实施例中,若所述多个行人的风险度中均不超过第一预警阈值,所述多个车辆的风险度中也均不超过第二预警阈值,则提醒押运人员当前环境安全。第一预警阈值和第二预警阈值可以提前手动设定或自动设定。
在一些实施例中,可以对所述多个行人的风险度和所述多个车辆的风险度分别赋予不同的权重,再进行加权求和后得到加权求和后的数值,判断所述加权求和后的数值是否超过位置风险阈值,若所述加权求和后的数值超过位置风险阈值,则提醒押运人员变更当前押运车的停车位置。位置风险阈值可以提前手动设定。
例如,位置风险阈值为1,多个行人的风险度分别为0.5、0.2、0.3,行人对应的权重为0.7,多个车辆的风险度分别为0.4、0.6、0.2,车辆对应的权重为0.3,则加权求和结果为(0.5+0.2+0.3)×0.7+(0.4+0.6+0.2)×0.3=1.06,超过位置风险阈值1,则提醒押运人员变更当前押运车的停车位置。
在一些实施例中,提醒押运人员变更当前押运车的停车位置可以包括:通过卷积神经网络对押运车外部环境的三维点云数据进行处理确定押运车的目标停车位置,并提醒押运人员将当前押运车的停车位置变更为押运车的目标停车位置。所述卷积神经网络的输入为押运车外部环境的三维点云数据,所述卷积神经网络的输出为押运车的目标停车位置。押运车的目标停车位置的安保更严,位置更隐蔽,可以更好的避免押运风险。
卷积神经网络模型包括卷积神经网络。卷积神经网络模型为人工智能的一种实现方式。卷积神经网络(CNN)可以是多层神经网络(例如,包括至少两个层)。所述至少两个层可以包括卷积层(CONV)、修正线性单元(ReLU)层、池化层(POOL)或全连接层(FC)中的至少一个。卷积神经网络(CNN)的至少两个层可以对应于以三维排列的神经元:宽度、高度、深度。在一些实施例中,卷积神经网络(CNN)可以具有[输入层-卷积层-修正线性单元层-池化层-全连接层]的架构。卷积层可以计算连接到输入中局部区域的神经元的输出,计算每个神经元的权重与其在输入体积中连接的小区域之间的点积。
步骤S6,将所述多个行人的风险度中超过第一预警阈值的风险度所对应的行人的位置坐标发送给押运人员,将所述多个车辆的风险度中超过第二预警阈值的风险度所对应的车辆的位置坐标发送给押运人员,并提醒押运人员进行重点防备。
在一些实施例中,押运人员可以携带耳机用于听取超过第一预警阈值的风险度所对应的行人的位置坐标和超过第二预警阈值的风险度所对应的车辆的位置坐标,并进行重点防备。
基于同一发明构思,图3为本发明的实施例提供的一种基于数据处理的押运安全预警系统示意图,所述基于数据处理的押运安全预警系统包括:
第一获取模块31,用于获取押运车外部环境的监控视频;
视频处理模块32,用于基于所述押运车外部环境的监控视频使用长短期神经网络模型确定所述监控视频中的多个行人信息和多个车辆信息,所述多个行人信息包括所述多个行人的生理信息、所述多个行人的出现频率、所述多个行人的移动速度、所述多个行人的穿着信息、所述多个行人的位置坐标、所述多个行人与押运车的距离范围,所述多个车辆信息包括所述多个车辆的颜色、所述多个车辆的位置坐标、所述多个车辆的型号、所述多个车辆的大小、所述多个车辆的移动速度、所述多个车辆的出现频率;
第二获取模块33,用于获取押运车外部环境的三维点云数据;
点云确定模块34,用于基于点云匹配模型确定所述多个行人对应的三维点云数据和所述多个车辆对应的三维点云数据,所述点云匹配模型的输入为所述押运车外部环境的三维点云数据、所述监控视频中的多个行人信息和多个车辆信息,所述点云匹配模型的输出为所述多个行人对应的三维点云数据和所述多个车辆对应的三维点云数据;
风险度确定模块35,用于基于图神经网络模型确定所述多个行人的风险度和所述多个车辆的风险度,所述图神经网络模型的输入包括多个节点和多条边,所述多个节点包括多个行人节点和多个车辆节点,所述多条边为多个节点之间的位置关系,所述多个节点中的每个节点包括多个节点特征,所述行人节点的节点特征包括所述多个行人对应的三维点云数据、所述多个行人信息,所述车辆节点的节点特征包括所述多个车辆对应的三维点云数据、所述多个车辆信息,所述图神经网络模型的输出为所述多个行人的风险度和所述多个车辆的风险度;
提醒模块36,用于将所述多个行人的风险度中超过第一预警阈值的风险度所对应的行人的位置坐标发送给押运人员,将所述多个车辆的风险度中超过第二预警阈值的风险度所对应的车辆的位置坐标发送给押运人员,并提醒押运人员进行重点防备。
基于同一发明构思,本发明的实施例提供了一种电子设备,如图4所示,包括:
处理器41;用于存储处理器41中可执行程序指令的存储器42;其中,处理器41被配置为执行以实现如前述提供的一种基于数据处理的押运安全预警方法,所述方法包括:获取押运车外部环境的监控视频;基于所述押运车外部环境的监控视频使用长短期神经网络模型确定所述监控视频中的多个行人信息和多个车辆信息,所述多个行人信息包括所述多个行人的生理信息、所述多个行人的出现频率、所述多个行人的移动速度、所述多个行人的穿着信息、所述多个行人的位置坐标、所述多个行人与押运车的距离范围,所述多个车辆信息包括所述多个车辆的颜色、所述多个车辆的位置坐标、所述多个车辆的型号、所述多个车辆的大小、所述多个车辆的移动速度、所述多个车辆的出现频率;获取押运车外部环境的三维点云数据;基于点云匹配模型确定所述多个行人对应的三维点云数据和所述多个车辆对应的三维点云数据,所述点云匹配模型的输入为所述押运车外部环境的三维点云数据、所述监控视频中的多个行人信息和多个车辆信息,所述点云匹配模型的输出为所述多个行人对应的三维点云数据和所述多个车辆对应的三维点云数据;基于图神经网络模型确定所述多个行人的风险度和所述多个车辆的风险度,所述图神经网络模型的输入包括多个节点和多条边,所述多个节点包括多个行人节点和多个车辆节点,所述多条边为多个节点之间的位置关系,所述多个节点中的每个节点包括多个节点特征,所述行人节点的节点特征包括所述多个行人对应的三维点云数据、所述多个行人信息,所述车辆节点的节点特征包括所述多个车辆对应的三维点云数据、所述多个车辆信息,所述图神经网络模型的输出为所述多个行人的风险度和所述多个车辆的风险度;将所述多个行人的风险度中超过第一预警阈值的风险度所对应的行人的位置坐标发送给押运人员,将所述多个车辆的风险度中超过第二预警阈值的风险度所对应的车辆的位置坐标发送给押运人员,并提醒押运人员进行重点防备。
基于同一发明构思,本实施例提供了一种非临时性计算机可读存储介质,当存储介质中的指令由电子设备的处理器41执行时,使得电子设备能够执行实现如前述提供的基于数据处理的押运安全预警方法,所述方法包括:获取押运车外部环境的监控视频;基于所述押运车外部环境的监控视频使用长短期神经网络模型确定所述监控视频中的多个行人信息和多个车辆信息,所述多个行人信息包括所述多个行人的生理信息、所述多个行人的出现频率、所述多个行人的移动速度、所述多个行人的穿着信息、所述多个行人的位置坐标、所述多个行人与押运车的距离范围,所述多个车辆信息包括所述多个车辆的颜色、所述多个车辆的位置坐标、所述多个车辆的型号、所述多个车辆的大小、所述多个车辆的移动速度、所述多个车辆的出现频率;获取押运车外部环境的三维点云数据;基于点云匹配模型确定所述多个行人对应的三维点云数据和所述多个车辆对应的三维点云数据,所述点云匹配模型的输入为所述押运车外部环境的三维点云数据、所述监控视频中的多个行人信息和多个车辆信息,所述点云匹配模型的输出为所述多个行人对应的三维点云数据和所述多个车辆对应的三维点云数据;基于图神经网络模型确定所述多个行人的风险度和所述多个车辆的风险度,所述图神经网络模型的输入包括多个节点和多条边,所述多个节点包括多个行人节点和多个车辆节点,所述多条边为多个节点之间的位置关系,所述多个节点中的每个节点包括多个节点特征,所述行人节点的节点特征包括所述多个行人对应的三维点云数据、所述多个行人信息,所述车辆节点的节点特征包括所述多个车辆对应的三维点云数据、所述多个车辆信息,所述图神经网络模型的输出为所述多个行人的风险度和所述多个车辆的风险度;将所述多个行人的风险度中超过第一预警阈值的风险度所对应的行人的位置坐标发送给押运人员,将所述多个车辆的风险度中超过第二预警阈值的风险度所对应的车辆的位置坐标发送给押运人员,并提醒押运人员进行重点防备。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种基于数据处理的押运安全预警方法,其特征在于,包括:
获取押运车外部环境的监控视频;
基于所述押运车外部环境的监控视频使用长短期神经网络模型确定所述监控视频中的多个行人信息和多个车辆信息,所述多个行人信息包括所述多个行人的生理信息、所述多个行人的出现频率、所述多个行人的移动速度、所述多个行人的穿着信息、所述多个行人的位置坐标、所述多个行人与押运车的距离范围,所述多个车辆信息包括所述多个车辆的颜色、所述多个车辆的位置坐标、所述多个车辆的型号、所述多个车辆的大小、所述多个车辆的移动速度、所述多个车辆的出现频率;
获取押运车外部环境的三维点云数据;
基于点云匹配模型确定所述多个行人对应的三维点云数据和所述多个车辆对应的三维点云数据,所述点云匹配模型的输入为所述押运车外部环境的三维点云数据、所述监控视频中的多个行人信息和多个车辆信息,所述点云匹配模型的输出为所述多个行人对应的三维点云数据和所述多个车辆对应的三维点云数据;
基于图神经网络模型确定所述多个行人的风险度和所述多个车辆的风险度,所述图神经网络模型的输入包括多个节点和多条边,所述多个节点包括多个行人节点和多个车辆节点,所述多条边为多个节点之间的位置关系,所述多个节点中的每个节点包括多个节点特征,所述行人节点的节点特征包括所述多个行人对应的三维点云数据、所述多个行人信息,所述车辆节点的节点特征包括所述多个车辆对应的三维点云数据、所述多个车辆信息,所述图神经网络模型的输出为所述多个行人的风险度和所述多个车辆的风险度;
将所述多个行人的风险度中超过第一预警阈值的风险度所对应的行人的位置坐标发送给押运人员,将所述多个车辆的风险度中超过第二预警阈值的风险度所对应的车辆的位置坐标发送给押运人员,并提醒押运人员进行重点防备。
2.如权利要求1所述的基于数据处理的押运安全预警方法,其特征在于,所述押运车外部环境的三维点云数据基于押运车的激光雷达扫描得到。
3.如权利要求1所述的基于数据处理的押运安全预警方法,其特征在于,所述方法还包括:对所述多个行人的风险度和所述多个车辆的风险度分别赋予不同的权重,再进行加权求和后得到加权求和后的数值,判断所述加权求和后的数值是否超过位置风险阈值,若所述加权求和后的数值超过位置风险阈值,则提醒押运人员变更当前押运车的停车位置。
4.如权利要求1所述的基于数据处理的押运安全预警方法,其特征在于,所述方法还包括:若所述多个行人的风险度中均不超过第一预警阈值,所述多个车辆的风险度中也均不超过第二预警阈值,则提醒押运人员当前环境安全。
5.如权利要求1所述的基于数据处理的押运安全预警方法,其特征在于,所述押运车外部环境的监控视频基于押运车车载摄像装置拍摄得到。
6.一种基于数据处理的押运安全预警系统,其特征在于,包括:
第一获取模块,用于获取押运车外部环境的监控视频;
视频处理模块,用于基于所述押运车外部环境的监控视频使用长短期神经网络模型确定所述监控视频中的多个行人信息和多个车辆信息,所述多个行人信息包括所述多个行人的生理信息、所述多个行人的出现频率、所述多个行人的移动速度、所述多个行人的穿着信息、所述多个行人的位置坐标、所述多个行人与押运车的距离范围,所述多个车辆信息包括所述多个车辆的颜色、所述多个车辆的位置坐标、所述多个车辆的型号、所述多个车辆的大小、所述多个车辆的移动速度、所述多个车辆的出现频率;
第二获取模块,用于获取押运车外部环境的三维点云数据;
点云确定模块,用于基于点云匹配模型确定所述多个行人对应的三维点云数据和所述多个车辆对应的三维点云数据,所述点云匹配模型的输入为所述押运车外部环境的三维点云数据、所述监控视频中的多个行人信息和多个车辆信息,所述点云匹配模型的输出为所述多个行人对应的三维点云数据和所述多个车辆对应的三维点云数据;
风险度确定模块,用于基于图神经网络模型确定所述多个行人的风险度和所述多个车辆的风险度,所述图神经网络模型的输入包括多个节点和多条边,所述多个节点包括多个行人节点和多个车辆节点,所述多条边为多个节点之间的位置关系,所述多个节点中的每个节点包括多个节点特征,所述行人节点的节点特征包括所述多个行人对应的三维点云数据、所述多个行人信息,所述车辆节点的节点特征包括所述多个车辆对应的三维点云数据、所述多个车辆信息,所述图神经网络模型的输出为所述多个行人的风险度和所述多个车辆的风险度;
提醒模块,用于将所述多个行人的风险度中超过第一预警阈值的风险度所对应的行人的位置坐标发送给押运人员,将所述多个车辆的风险度中超过第二预警阈值的风险度所对应的车辆的位置坐标发送给押运人员,并提醒押运人员进行重点防备。
7.如权利要求6所述的基于数据处理的押运安全预警系统,其特征在于,所述押运车外部环境的三维点云数据基于押运车的激光雷达扫描得到。
8.如权利要求6所述的基于数据处理的押运安全预警系统,其特征在于,所述系统还包括位置判断模块,所述位置判断模块用于:对所述多个行人的风险度和所述多个车辆的风险度分别赋予不同的权重,再进行加权求和后得到加权求和后的数值,判断所述加权求和后的数值是否超过位置风险阈值,若所述加权求和后的数值超过位置风险阈值,则提醒押运人员变更当前押运车的停车位置。
9.一种电子设备,其特征在于,包括:存储器;处理器;以及计算机程序;其中,所述计算机程序存储在所述存储器中,并配置为由所述处理器执行以实现如权利要求1至5任一项所述的基于数据处理的押运安全预警方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至5任一项所述的基于数据处理的押运安全预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310580357.0A CN116307743B (zh) | 2023-05-23 | 2023-05-23 | 基于数据处理的押运安全预警方法、系统、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310580357.0A CN116307743B (zh) | 2023-05-23 | 2023-05-23 | 基于数据处理的押运安全预警方法、系统、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116307743A true CN116307743A (zh) | 2023-06-23 |
CN116307743B CN116307743B (zh) | 2023-08-04 |
Family
ID=86818947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310580357.0A Active CN116307743B (zh) | 2023-05-23 | 2023-05-23 | 基于数据处理的押运安全预警方法、系统、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307743B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116523319A (zh) * | 2023-06-30 | 2023-08-01 | 中国市政工程西南设计研究总院有限公司 | 智慧公园综合管理方法和系统 |
CN116721390A (zh) * | 2023-08-09 | 2023-09-08 | 克伦斯(天津)轨道交通技术有限公司 | 基于数据处理的地铁列车乘客状态确定方法和系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105812749A (zh) * | 2016-04-26 | 2016-07-27 | 深圳市中创星联科技有限公司 | 基于押运车的视频数据处理方法及装置 |
CN106571055A (zh) * | 2016-10-28 | 2017-04-19 | 广州广电银通金融电子科技有限公司 | 一种基于物联网的智能车辆管理系统及方法 |
CN107133974A (zh) * | 2017-06-02 | 2017-09-05 | 南京大学 | 高斯背景建模与循环神经网络相结合的车型分类方法 |
CN111310583A (zh) * | 2020-01-19 | 2020-06-19 | 中国科学院重庆绿色智能技术研究院 | 一种基于改进的长短期记忆网络的车辆异常行为识别方法 |
CN112163537A (zh) * | 2020-09-30 | 2021-01-01 | 中国科学院深圳先进技术研究院 | 一种行人异常行为检测方法、系统、终端以及存储介质 |
CN113422930A (zh) * | 2021-06-18 | 2021-09-21 | 捷库(深圳)信息技术有限公司 | 一种基于物联网的智能手环和车载押运系统及其使用方法 |
CN113469144A (zh) * | 2021-08-31 | 2021-10-01 | 北京文安智能技术股份有限公司 | 基于视频的行人性别及年龄识别方法和模型 |
CN114399744A (zh) * | 2021-12-24 | 2022-04-26 | 深圳市镭神智能系统有限公司 | 一种车型识别方法、装置、电子设备和存储介质 |
WO2022087751A1 (en) * | 2020-10-31 | 2022-05-05 | Huawei Technologies Co., Ltd. | Method and system for graph neural network based pedestrian action prediction in autonomous driving systems |
CN114462667A (zh) * | 2021-12-20 | 2022-05-10 | 上海智能网联汽车技术中心有限公司 | 一种基于sfm-lstm神经网络模型的过街行人轨迹预测方法 |
WO2022205106A1 (zh) * | 2021-03-31 | 2022-10-06 | 浙江吉利控股集团有限公司 | 一种车辆预警方法、装置、设备及存储介质 |
-
2023
- 2023-05-23 CN CN202310580357.0A patent/CN116307743B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105812749A (zh) * | 2016-04-26 | 2016-07-27 | 深圳市中创星联科技有限公司 | 基于押运车的视频数据处理方法及装置 |
CN106571055A (zh) * | 2016-10-28 | 2017-04-19 | 广州广电银通金融电子科技有限公司 | 一种基于物联网的智能车辆管理系统及方法 |
CN107133974A (zh) * | 2017-06-02 | 2017-09-05 | 南京大学 | 高斯背景建模与循环神经网络相结合的车型分类方法 |
CN111310583A (zh) * | 2020-01-19 | 2020-06-19 | 中国科学院重庆绿色智能技术研究院 | 一种基于改进的长短期记忆网络的车辆异常行为识别方法 |
CN112163537A (zh) * | 2020-09-30 | 2021-01-01 | 中国科学院深圳先进技术研究院 | 一种行人异常行为检测方法、系统、终端以及存储介质 |
WO2022087751A1 (en) * | 2020-10-31 | 2022-05-05 | Huawei Technologies Co., Ltd. | Method and system for graph neural network based pedestrian action prediction in autonomous driving systems |
WO2022205106A1 (zh) * | 2021-03-31 | 2022-10-06 | 浙江吉利控股集团有限公司 | 一种车辆预警方法、装置、设备及存储介质 |
CN113422930A (zh) * | 2021-06-18 | 2021-09-21 | 捷库(深圳)信息技术有限公司 | 一种基于物联网的智能手环和车载押运系统及其使用方法 |
CN113469144A (zh) * | 2021-08-31 | 2021-10-01 | 北京文安智能技术股份有限公司 | 基于视频的行人性别及年龄识别方法和模型 |
CN114462667A (zh) * | 2021-12-20 | 2022-05-10 | 上海智能网联汽车技术中心有限公司 | 一种基于sfm-lstm神经网络模型的过街行人轨迹预测方法 |
CN114399744A (zh) * | 2021-12-24 | 2022-04-26 | 深圳市镭神智能系统有限公司 | 一种车型识别方法、装置、电子设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
王鹏;叶子豪;孙锐;: "融合深度卷积网络与点云网络的三维车辆检测方法分析", 无线互联科技, no. 06 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116523319A (zh) * | 2023-06-30 | 2023-08-01 | 中国市政工程西南设计研究总院有限公司 | 智慧公园综合管理方法和系统 |
CN116523319B (zh) * | 2023-06-30 | 2023-09-08 | 中国市政工程西南设计研究总院有限公司 | 智慧公园综合管理方法和系统 |
CN116721390A (zh) * | 2023-08-09 | 2023-09-08 | 克伦斯(天津)轨道交通技术有限公司 | 基于数据处理的地铁列车乘客状态确定方法和系统 |
CN116721390B (zh) * | 2023-08-09 | 2023-10-27 | 克伦斯(天津)轨道交通技术有限公司 | 基于数据处理的地铁列车乘客状态确定方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116307743B (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116307743B (zh) | 基于数据处理的押运安全预警方法、系统、设备和介质 | |
Idrees et al. | Composition loss for counting, density map estimation and localization in dense crowds | |
JP7254823B2 (ja) | 物体の検出および特徴付けのためのニューラルネットワーク | |
CN109584248B (zh) | 基于特征融合和稠密连接网络的红外面目标实例分割方法 | |
US9245170B1 (en) | Point cloud data clustering and classification using implicit geometry representation | |
CN110419048B (zh) | 用于标识所定义的对象的系统 | |
EP3765995B1 (en) | Systems and methods for inter-camera recognition of individuals and their properties | |
US11995766B2 (en) | Centralized tracking system with distributed fixed sensors | |
CN109766755A (zh) | 人脸识别方法及相关产品 | |
CN112200129A (zh) | 一种基于深度学习的三维目标检测方法、装置及终端设备 | |
CN111401517A (zh) | 一种感知网络结构搜索方法及其装置 | |
Wang et al. | Radar ghost target detection via multimodal transformers | |
CN116310673A (zh) | 一种基于点云与图像特征融合的三维目标检测方法 | |
CN115620122A (zh) | 神经网络模型的训练方法、图像重识别方法及相关设备 | |
CN114846523A (zh) | 使用记忆注意力的多对象跟踪 | |
CN117058630A (zh) | 海岸船舶识别方法、系统、设备及存储介质 | |
US20230031755A1 (en) | Generative adversarial network for processing and generating images and label maps | |
CN116012609A (zh) | 一种环视鱼眼多目标跟踪方法、装置、电子设备及介质 | |
CN114863201A (zh) | 三维检测模型的训练方法、装置、计算机设备和存储介质 | |
den Hollander et al. | Vessel classification for naval operations | |
Liu et al. | Real-time object detection for UAVs images based on improved YOLOv5 | |
TSEKHMYSTRO et al. | INVESTIGATION OF THE EFFECT OF OBJECT SIZE ON ACCURACY OF HUMAN LOCALISATION IN IMAGES ACQUIRED FROM UNMANNED AERIAL VEHICLES | |
Cao | Deep learning methods for objective detection | |
Levin et al. | Improving situational awareness in aviation: Robust vision-based detection of hazardous objects | |
Nobis | Autonomous driving: Radar sensor noise filtering and multimodal sensor fusion for object detection with artificial neural net-works |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Method, System, Equipment, and Media for Security Warning of Escort Based on Data Processing Effective date of registration: 20231109 Granted publication date: 20230804 Pledgee: Hangzhou United Rural Commercial Bank Co.,Ltd. Charming City Branch Pledgor: Zhejiang Anbang guard Technology Service Co.,Ltd. Registration number: Y2023980064790 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |